Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Przeglądmetodklasyfikacjistosowanychwteledetekcji
15
niesłabsząteksturą,takichjak:wody,czyróżnerodzajeterenówużytkowanych
rolniczoitp.Wtakichprzypadkach,niewielkiezróżnicowanietonalneelementów
obrazurównieżstanowicennąinformację,zpunktuwidzeniainterpretacjiobrazu.
Wynikaztegom.in.potencjalniedużeznaczenieteksturytakżedlaautomatycznej
lubpół-automatycznejklasyfikacjiobrazu.
Wpraktyceprzetwarzaniaobrazów,teksturajestnajczęściejtylkojednązcech
branychpoduwagę,rzadkojedyną.Bardzoczęstowykorzystywanajestonajako
dodatekdospektralnychcechklasyfikowanychobrazów,dlategoteżbardziej
odpowiedniobyłobynazywaćtęklasyfikacjęmianemspektralno-teksturowej.
Wtymrozdzialepozostaniemyjednakprzyokreśleniuteksturowa,ztrzechpowo-
dów:popierwsze,wykorzystanieteksturyjestcechąwznacznymstopniuodróż-
niającątemetodyodinnych,jejcechącharakterystyczną;podrugie,możliwejest
zastosowanietychmetodwtensposób,bywykorzystywaływyłącznietęcechę
tekstury;potrzecie,jestonokrótszeiprostsze.
Metodyklasyfikacjiteksturowejtotemetody,którepozwalająnawyróżnianie
poszczególnychpikselinapodstawieteksturyichotoczenia.Spośródnichmożna
wyodrębnićkilkanajważniejszychlubnajbardziejpopularnych:
macierzwspółwystępowaniapoziomówszarości(ang.Grey-LevelCo-occurence
Matrix–GLCM),
transformatęfalkową(ang.wavelettransform),
analizęfraktalną(ang.fractalanalysis),
losowepolaMarkova(ang.Markovrandomfields),
mapygranulometryczne(ang.granulometricmaps),
sztucznesiecineuronowe(ang.artificialneuralnetworks).
Pięćpierwszychwymienionychmetodklasyfikacjidziałanapodstawiebar-
dzopodobnejogólnejzasady,polegającejnaprzetworzeniuobrazu,pozwalają-
cymzapisywaćwdanympikseluwartośćlubwartościokreślającestopień,czy
rodzajteksturywjegootoczeniu(mówiącinaczej:pozwalająoznaczaćtekstu-
rę),iwykorzystaniutegoobrazu(obrazów)wprocesiewłaściwejklasyfikacji,
przyużyciu,najczęściej,bezkontekstowychklasyfikatorówpikselowych.Ostat-
niazprzedstawionychmetod–sztucznesiecineuronowe,niekwantyfikujeprze-
strzennychzależnościmiędzypikselami,natomiastpozwalaokreślićpodobień-
stwoposzczególnychfragmentówobrazudoprzedstawionegowcześniejwzorca.
Zasadadziałaniaodróżniająwięcodpozostałychpięciumetod,zostałaonajed-
nakujętawtymzestawieniu,zewzględunajejznaczenie.
Wdalszejczęścirozdziałuprzedstawionezostałypodstawowezasadydziała-
niapięciuzsześciuwymienionychwyżejnajważniejszychmetod–zwyjątkiem
mapgranulometrycznych.Metodytezostałyprzedstawionebardziejszczegóło-
wo,niżwcześniejszerodzajeklasyfikacji.Opistenjestpotrzebny,bylepiejwy-
jaśnićistotęgranulometriiobrazowej,jejzaletyiwady,właśnienatlenajbardziej
